FACULDADE DE

INFORMTICA
PUCRS Brazil
http://www.inf.pucrs.br

Estudo comparativo sobre Sistemas Tutores Inteligentes

Multiagentes Web

Willian Bolzan and Lcia Maria Martins Giraffa

TECHNICAL REPORT SERIES

Number 024
July, 2002
Contact:
willian@inf.pucrs.br
http://www.inf.pucrs.br/~willian

giraffa@inf.pucrs.br
http://www.inf.pucrs.br/~giraffa

Willian Bolzan is a graduate student of Urcamp - RS - Brazil. He is a member of the

GIE research group (Computer Science applied in Education Research Group) since
2001. He receives a graduate research grant from CAPES to support his research.

Lucia Maria Martins Giraffa works at PUCRS/Brazil since 1986. She is a titular
professor and leader of the GIE group. She develops research in Multi-agent systems,
Artificial Intelligence applied in Education and design of educational software. She
received her Ph.D. in 1999 at UFRGS (Brazil).

Copyright Faculdade de Informtica PUCRS

Published by the FACIN PUCRS
Av. Ipiranga, 6681
90619-900 Porto Alegre RS Brazil

2
 ESTUDO COMPARATIVO SOBRE SISTEMAS
TUTORES INTELIGENTES MULTIAGENTES WEB

Relatrio Tcnico N 024/2002

Willian Bolzan (Mestrando)1
Lcia Maria Martins Giraffa(Orientador)2

1. Introduo

Atualmente, muitos dos ambientes de ensino-aprendizagem computadorizados

na modalidade de Sistemas Tutores Inteligentes (STI), utilizam a tecnologia de agentes
no seu projeto. Esta abordagem, orientada a agentes, substitui os mdulos da arquitetura
tradicional (Vide Figura 1) por uma sociedade de agentes que trabalham de forma
cooperativa usando diversas tcnicas de Inteligncia Artificial (IA) e integrados como
um Sistema Multiagente (SMA).

Neste Relatrio Tcnico (RT) apresenta um estudo sobre os Sistemas Tutores

Inteligentes (STI) para a Web que utilizam a tecnologia de agentes no seu projeto e
desenvolvimento. importante salientar que este estudo no ser restrito apenas a
ambientes classificados explicitamente pelos autores como STI, mas analisa ambientes
de ensino-aprendizagem que foram concebidos utilizando os princpios de uma
arquitetura de STI. Isto , ambientes onde existam caractersticas inerentes ao STI, tais
como: um assistente pessoal, um mediador, etc.

Utilizamos a expresso tecnologia de agentes, ao invs de paradigma de

agentes porque ainda no existe consenso na rea de IA para este novo padro.
Segundo Thomas Kuhn [KUH1997], paradigmas so as realizaes cientficas
universalmente reconhecidas que, durante algum tempo, fornecem problemas e solues
modulares para a comunidade de praticantes de uma cincia. Portanto, tecnologia de

1
e-mail: willian@inf.pucrs.br
2
e-mail: giraffa@inf.pucrs.br

3
agentes no pode ser definido desta forma por no ter uma especificao, um modelo
padro totalmente estabelecido e aceito.
Este trabalho est organizado da seguinte maneira. A seo 2 apresenta uma
breve introduo aos Sistemas Tutores Inteligentes e Sistemas Multiagentes. A seo 3
descreve os STI desenvolvidos com a tecnologia de Agentes. A seo 4 apresenta um
estudo comparativo sobre os STI descritos na seo 3. As sees 5 e 6 apresentam
respectivamente as consideraes finais e a bibliografia utilizada para a redao deste
trabalho.

2 Sistemas Multiagentes e Sistemas Tutores Inteligentes

Os SMA constituem-se numa rea de pesquisa da Inteligncia Artificial

Distribuda (IAD). A abordagem de agentes se preocupa em estudar o comportamento
de uma sociedade constitudas por agentes, que possuem autonomia, e tm como
objetivo realizar tarefas que no so possveis de serem realizadas individualmente ou
coletivamente.
Segundo Russell & Norvig [RUS1995], um Agente um sistema capaz de
perceber atravs de sensores as informaes do ambiente onde est inserido e reagir
atravs de atuadores. Um agente pode ser definido como uma entidade de software que
exibe um comportamento autnomo , que est situado em algum ambiente sobre o qual
capaz de realizar aes para alcanar seus prprios objetivos de projeto e a partir do
qual percebe alteraes [WOO1995, ZAM2000]. Um agente um software que possui
um conjunto de propriedades especficas associadas ao seu objetivo/papel na sociedade
multiagente onde est inserido. O seu objetivo/papel vai determinar as propriedades que
deve ter. Porem, j existe consenso que um agente deve ter no mnimo: autonomia,
reatividade e habilidade social (comunicar-se com outros agentes do ambiente).
Numa abordagem clssica para a rea de agentes encontramos a definio de
Wooldridge [WOO1995], que visualiza um agente como sendo uma entidade com
capacidade de resoluo de problemas encapsulada. Neste contexto, define-se agente
como tendo as seguintes propriedades:
- autonomia: executam a maior parte de suas aes sem interferncia direta de
agentes humanos ou de outros agentes computacionais, possuindo controle
total sobre suas aes e estado interno;

4
 - habilidade social: por impossibilidade de resoluo de certos problemas ou
por outro tipo de convenincia, interagem com outros agentes (humanos ou
computacionais), para completarem a resoluo de seus problemas, ou ainda
para auxiliarem outros agentes;
- capacidade de reao: percebem e reagem alteraes no ambiente em que
estiverem inseridos;
- capacidade pr-ativa: agentes, do tipo deliberativo, alm de atuar em
resposta s alteraes ocorridas em seu ambiente, apresentam um
comportamento orientado a objetivos, tomando iniciativas quando julgarem
apropriado (no caso, aplicado apenas aos agentes cognitivos).
A justificativa de aplicao da tecnologia de agentes na concepo de Sistemas
de Informao justificada quando o problema possui as seguintes caractersticas
[JEN1996]:
- o domnio envolve distribuio intrnseca dos dados, capacidade de
resoluo de problemas e responsabilidades;
- necessidade de manter a autonomia de subpartes, sem a perda da estrutura
organizacional;
- complexidade nas interaes, incluindo negociao, compartilhamento de
informao e coordenao;
- impossibilidade de descrio da soluo do problema a priori, devido
possibilidade de pertubaes em tempo real no ambiente e processos de
negcio de natureza dinmica.
Logo, os softwares educacionais podem se utilizar da tecnologia de agentes
porque possuem todas essas caractersticas.
As propostas de utilizao de arquiteturas SMA em STI trazem uma grande
vantagem em relao as arquiteturas tradicionais de STI por apresentarem uma
flexibilidade maior no tratamento dos elementos que compem o sistema. Alm disso, o
fato de usarmos agentes para modelar os seus componentes possibilita o agrupamento
da arquitetura tradicional (um mdulo = um agente) ou na exploso de cada mdulo em
vrios agentes, como por exemplo o trabalho de [COS1995; COS1996]. Neste ltimo
caso, o refinamento pode chegar at os estados mentais de um agente, [GIR2001a].
Segundo [GIR2001a], a modelagem de STI numa arquitetura funcional de
agentes mais do que uma abordagem generalista. Teoricamente a modelagem no
apresenta limites para o nmero de agentes que podem participar do processo de

5
aquisio do conhecimento. Processo este que ocorre atravs de negociao dos papis
dos agentes tanto tutores, como aprendizes.
A utilizao de tcnicas de IA (Inteligncia Artificial) em programas destinados
a auxiliar no processo de ensino-aprendizagem remonta do incio da dcada de 70, como
o trabalho de Carbonel [CAR1970].
A proposta de Carbonel foi modelar os sistemas educacionais de maneira a levar
em considerao o tipo de aluno que est interagindo com o sistema. Ou seja, ele lanou
a idia dos sistemas educacionais adaptativos, sob o ponto de vista de tutoria
(Assistncia ao aluno).
As pesquisas de Carbonell criaram um marco histrico para os STI, o
SCHOLAR [CAR1970]. O ESCHOLAR um clssico considerado o clssico dos STI.
Maires detalhes leia [GIR1998]. Conforme [GIR2001a], a pesquisa do grupo de
Carbonel visava atender ao grupo de programas onde existia um contedo modelado
com um determinado objetivo educacional e tentar adaptar a apresentao deste
contedo ao perfil de cada aluno. Isto , um sistema que procurasse se adaptar (em
algum grau) ao usurio e no se comportasse de maneira igual com todos os usurios
(padro usado na poca para os CAI (Computed Assisted Instruction)).
Originalmente estes sistemas foram chamados de ICAI (Intelligent CAI) e,
durante muito tempo, foram citados na literatura da rea como sinnimos de STI. Hoje
esta associao muito questionada por vrios pesquisadores e STI deixou de ser
sinnimo de ICAI. Como esta no uma questo relevante para este trabalho, no ser
abordada.
Se considerarmos que estudantes possuem diferentes estilos ou formas de
aprendizagem, importante que um STI seja capaz de fornecer instruo
individualizada, ou seja, deve ser capaz de adaptar suas instrues para satisfazer os
estilos individuais de cada aprendiz. Este o princpio pedaggico geral que rege a
concepo de um STI.
STI so sistemas computacionais com modelos de contedo instrucionais que
especificam o que ensinar e estratgias de ensino que especificam como ensinar
[MUR1999].
Segundo [OLI1994, FRE2000], os STI possuem uma organizao bsica com
alguns componentes funcionais que podem ser observados na maioria dos casos:
Mdulo do Aluno, Mdulo Tutor, Mdulo de Domnio e Interface. A Figura 1,
apresenta a arquitetura multipartida onde os mdulos esto representados com suas

6
inter-relaes e em seguida h uma pequena descrio dos mdulos que compe a
arquitetura clssica de um STI:

Mdulo Mdulo
Domnio Tutor

Aluno

Mdulo
Aluno Interface

Figura 1: Arquitetura clssica de um STI

- Mdulo do Aluno: este mdulo armazena informaes especficas para cada

estudante de forma individual. No mnimo, este mdulo deve manter um
histrico sobre como o estudante est trabalhando no material em questo.
interessante tambm manter registro sobre os erros do estudante, [THI1999].
Segundo [GIR2001], o mdulo do aluno representa o conhecimento e as
habilidades cognitivas do aluno em um dado momento. Contm uma
representao do estado do conhecimento do aluno no momento qu interage
com o STI. A partir desse modelo e do contedo representado na base do
domnio, o sistema deve ser capaz de inferir a melhor estratgia de ao a ser
utilizada para cada aluno.
- Mdulo Tutorial: O mdulo tutorial, ou mdulo pedaggico oferece uma
metodologia para o processo de aprendizado. Possui o conhecimento sobre
as estratgias e tticas para selecion-las em funo das caractersticas do
aluno. As entradas deste mdulo so fornecidas pelo Mdulo do Aluno.
- Mdulo de Domnio: O mdulo de domnio armazena a informao que o
tutor est ensinando. A modelagem do conhecimento a ser disponibilizado
de grande importncia para o sucesso do sistema como um todo. Deve-se
procurar uma representao do conhecimento que esteja preparada para o
crescimento incremental do domnio.
- Interface: Intermedia a interao entre o tutor e o aluno. Segundo
[THI1999], a complexidade para a implementao deste mdulo bastante
varivel, podendo ser desde simples janelas de dilogo at linguagem natural

7
 e reconhecimento de voz. Outra questo a ser considerada a aplicao de
realidade virtual para permitir uma imerso total do estudante no sistema.
Conforme Giraffa [GIR2001], esta proposta trouxe grandes avanos
modelagem de ambientes educacionais, pois separou o domnio da sua forma de
manipulao. Permitindo, assim, que estratgias de ensino fossem associadas em funo
das informaes oriundas da modelagem do aluno e relacionadas com que o domnio
(contedo) organizado.
Esta arquitetura clssica, foi ampliada por Self [SELF1999 apud GIR2001],
para tornar uma arquitetura tripartida associada ao modelo de interao que ocorre ao
longo de uma sesso de trabalho entre o aluno e o ambiente. A Figura 2 mostra a
arquitetura tripartida proposta por Self para os STI.
Modelo de Modelo de
Situao Interao

Mdulo Mdulo
Domnio Aluno

Mdulo
Tutor

Modelo de
Permisses

Figura 2: Arquitetura proposta por Self para STI

Segundo [GOU2000], o mdulo de domnio no mais uma forma de tornar as

informaes interrelacionadas, mas sim um modelo dos aspectos do conhecimento sobre
o domnio que o aluno pode acessar durante as interaes com o STI (Modelo da
Situao). O mdulo do estudante no mais relaciona somente as informaes sobre a
anlise das interaes do aluno com o domnio, mas busca uma contextualizao maior
destas interaes em funo das aes do aluno, o contexto em que elas ocorrem e a
estrutura cognitiva do aluno naquele momento (Modelo de Interao). E o mdulo tutor
deixou de ser o responsvel pela seleo do contedo e estratgias para se tornar aquele
que conduz o aluno de acordo com objetivos e desafios educacionais que o ambiente
proporciona ao aluno (Mdulo de Permisses).

8
 Agora, relacionando STI com agentes citamos Claude Frasson [FRA2000]:
Uma das mais promissoras aplicaes de agentes autnomos est provavelmente na
educao e treinamento (p.554).
Existem diversos exemplos na literatura sobre a utilizao de agentes em
sistemas educacionais. Segundo Shoham [SHO1993 apud THI1999], uma sociedade de
agentes para aprender e ensinar pode ser a soluo para a construo de ambientes de
ensino e aprendizagem, se os agentes trabalham de uma maneira concorrente e
autnoma para alcanar seus objetivos. Os agentes em um ambiente de
ensino/aprendizagem so considerados autnomos porque: as atividades dos agentes
individuais no requerem constante superviso externa (humana), e no h (ou deveria
haver) autoridade central projetada para controlar todas as interaes desempenhadas
entre os agentes.
Segundo [GR98], o uso de agentes na concepo de sistemas educacionais traz
algumas vantagens, tais como: reagir s aes do usurio, credibilidade, modelagem de
sistemas colaborativos multi-usurio e modularidade, pelo fato de que cada agente um
mdulo nico e independente do outro ficando mais fcil adicionar outros agentes a
estes sistemas . Para [GIR1998] as vantagens so as seguintes:
- conhecimento pode ser distribudo entre vrios tutores, cada um com suas
crenas, desejos, objetivos, emoes e planos de ao. Esta distribuio cria
maiores oportunidades de variar tcnicas pedaggicas;
- o aprendiz interage com um tutor de forma mais flexvel;
- aprendiz pode passar conhecimentos ao tutor que sero repassados a outros
aprendizes.
Conforme [WEB2001], as tecnologias baseadas na Web em conjunto com
metodologias multiagentes formam uma nova tendncia na modelagem e
desenvolvimento para ambientes de aprendizagem. A Educao baseada na Web tem
sido extensivamente pesquisada, onde os benefcios de aprendizagem so grandes.
Como por exemplo, alcance da informao sem condicionamento ao espao fsico,
facilidade de atualizar o contedo, etc. Entretanto, as metodologias multiagentes tem
surgido com uma alternativa para conceber aplicaes de aprendizagem distribuda,
devido ao conjunto de caractersticas inerentes ao conceito de SMA e as peculiaridades
de uma sociedade de agentes A principal razo para isto deve-se ao fato que esta
tecnologia lida muito bem com aplicaes criticas, tais como: distncia, cooperao
entre diferentes entidades e integrao de diferentes componentes de software

9
 Segundo [VAS2001], no futuro, os ambientes da aprendizagem estaro
acessveis a qualquer lugar e a qualquer hora. Os estudantes desses ambientes estaro
distribudos no espao e no tempo. Logo, trabalhos que utilizam arquiteturas
multiagentes oferecem uma promissora abordagem para o projeto desses ambientes,
desde que estes ambientes sejam distribudos. Com a modularidade e a uniformidade
dos agentes e com a padronizao os protocolos de interao, o nvel de escalabilidade e
interoperao podem ser alcanados, o que no pode ser conseguido to facilmente com
o uso de outras tcnicas. As arquiteturas multiagentes permitem o constante crescimento
e a heterogeneidade do ambiente de software. Atualmente, no h muitos ambientes
distribudos de aprendizagem baseados em arquiteturas multiagentes. Isto deve-se a
vrios fatores:
- A complexidade em modelar e implementar STI e ambientes de ensino-
aprendizagem inteligentes. Sua arquitetura mais complexa e a modelagem
dos seus componentes e interrelaes demorada, necessitando de uma
grande quantidade de trabalho cooperativo em equipe interdiciplinar;
- A tecnologia de agentes aplicada a tais ambientes agrega mais complexidade
ao seu projeto e pode ser considerada como um fato mais recente. Trabalhos
mais significativos remontam aos ltimos 5 anos de pesquisa. Como se pode
observar na anlise dos anais dos principais Congressos e eventos da rea,
tais como: Intelligent Tutoring Systems ITS (1996, 1998 e 2000), Artificial
Intelligence in Education AIED (1997, 1999 e 2001), ), Brazilian
Symposium on Artificial Inteligence SBIA (1995 e 1998), ), Simpsio
Brasileiro de Informtica na Educao SBIE (1998, 1999, 2000 e 2001),
WorkShops de Ambientes de Aprendizagem Baseados em Agentes - SBIE
(1999, 2000 e 2001), The International Journal of Artificial Intelligence in
Education IJAIED.
Os avanos mais recentes no campo dos ambientes de aprendizagem
inteligentes, tm proposto o uso de arquiteturas baseadas em sociedades de agentes. Os
princpios dos sistemas multiagentes tm mostrado um potencial bastante adequados ao
desenvolvimento de sistemas de ensino, devido ao fato de a natureza do problema de
ensino-aprendizagem ser mais facilmente resolvido de forma cooperativa, [BIC1998].
Alm disso, ambientes de ensino baseados em arquiteturas multiagentes possibilitam
suportar o desenvolvimento de sistemas de forma mais robusta, mais rpida e com
menores custos.

10
 O prximo captulo apresenta o resultado da reviso bibliogrfica realizada nos
principais congressos da rea de STI e Workshops recentes onde foram apresentados os
trabalhos que representam o estado da arte neste segmento de pesquisa.

3 STI desenvolvidos com a tecnologia de Agentes

Nesta seo sero descritos alguns STI desenvolvidos com a utilizao da

tecnologia de Agentes. Este levantamento ter como finalidade principal, fornecer
elementos para uma anlise a fim de identificar padres utilizados no desenvolvimento
destes sistemas.

3.1 WHITE RABBIT

White Rabbit [THI2000] um sistema desenvolvido pelo Departamento de

Informtica e Pesquisa Operacional da Universidade de Montreal (Montreal Canad),
este sistema tem como objetivo aumentar a cooperao entre um grupo de pessoas pela
anlise de suas conversaes. Cada usurio assistido por um agente inteligente o qual
estabelece um perfil de seus interesses. Com o comportamento mvel e autnomo o
agente pesquisa agente pessoais de outros usurios, afim de encontrar aquele que
tenham interesses comuns e ento os colocam em contato.
Um agente Mediador usado para facilitar a comunicao entre os agentes
pessoais e para realizar agrupamentos nos perfis que eles tenham recolhidos. Esta
abordagem usa agentes inteligentes para descobrir os interesses particulares de um
grupo de pessoas trabalhando em um domnio particular com a inteno de coloc-los
em contato para aumentar o nvel de cooperao. Os agente analisam a conversao
entre os usurios atravs de um chat para construir para cada um deles, um perfil de
seus interesses.
A Figura 4 apresenta a arquitetura do agente Pessoal e a Figura 3 apresenta a
arquitetura geral do sistema que constituda por 6 sees principais, que so:
- Uma camada Voyager3 d aos agentes mobilidade e autonomia;

3
Voyager uma arquitetura proprietria para agentes mveis da ObjectSpace
(http://www.objectspace.com). A plataforma Voyager tem como objetivo dar suporte a objetos mveis e
agentes autnomos. Desenvolvida em Java, esta plataforma suporta vrios padres, tais como: CORBA,
COM e RMI. No contexto deste projeto, o mdulo de comunicao esta baseado inteiramente nesta
arquitetura, permitindo aos agentes do sistema comunicar-se uns com os outros

11
 - O servidor chat que organiza o fluxo de mensagens atravs da rede;
- Uma interface dedicada para o usurio e o administrador do sistema. Permite
que o usurio envie e receba mensagens, consulte e modifique seu perfil e
permite que o administrador observe e ajuste os parmetros do processo de
clustering4 e alterar a base de conhecimento;
- Um agente Pessoal para cada usurio que realiza o servio de anlise e
apresentao do servio, Figura 4;
- Uma base de conhecimento, onde so alocadas diferentes palavras-chave
sobre o domnio do conhecimento e seus links;
- Um agente Mediador para dedicar-se ao processo de clustering e facilitar a
comunicao entre os agentes.

Object Space Voyager

Base de
Agentes Perfis

Servidor de Endereo dos

Base de
Chat Agentes
Conhecimento
Agente Mediador

User 1 User 2 User n Kohonen

Map

Figura 2: Arquitetura geral do sistema White Rabbit

Agente Mediador Agente Pessoal do Usurio
Mdulo de Mdulo de Mdulo de
Comunicao Comunicao Aprendizagem

Mdulo de Perfil do
Clustering usurio

Mensagens
enviadas
Base de
Conhecimento

Figura 4: Arquitetura do agente Pessoal do sistema White Rabbit

4
Processo de Agrupamento.

12
 O perfil do usurio contm todas as informaes relevantes sobre o interesse do
usurio na escolha do domnio o qual permitir aos agentes encontrar similaridades e
consequentemente realizar agrupamentos coerentes.
O mdulo de aprendizagem responsvel por modificar o perfil do usurio
fazendo-o mais acurado e mais realista. Este processo feito em duas etapas:
- O primeiro passo consiste na aquisio preliminar de informao sobre o
usurio atravs de um questionrio. Na primeira vez que o sistema usado o
usurio convidado a preench-lo dando ao sistema palavras-chave
refletindo seus interesses (projetos, realizaes e experincias);
- O segundo passo a anlise da discusso, a qual consiste na extrao de
palavras-chave do domnio das mensagens enviadas pelo usurio e a
atualizao do perfil, incrementando o peso dos conceitos associados.
O perfil do usurio composto por um conjunto de informaes ponderadas, isto
, cada um deles possui um peso associado ao contexto onde esto inseridos. Isto
permite um ajuste mais personalizado e detalhado do aluno.
Dois aspectos demonstram a mobilidade e autonomia dos agentes. Primeiro, a
analise da discusso dos usurios pelos agentes pessoais. Depois de ter analisado e
atualizado os perfis dos clientes, o agente vai para uma outra mquina conectada a rede
e encontra outros agentes. A segunda importante evidncia da mobilidade acontece
quando o usurio pergunta para o segundo usurio quem o membro do mesmo grupo,
como determinado pelo agente mediador. Neste momento a requisio do agente do
usurio (A) usar a sua autonomia para mover-se e encontrar o agente associado ao
cliente (B). Ento o agente (A) ter possibilidade de questionar mais sobre o agente (B).
Se o agente )B) aceitar as requisies, ento o agente (B) dar ao agente (A) as
informaes pessoais (nome real, e-mail, descrio do projeto, etc)
Estas duas situaes demonstram a fora alcanada pela mobilidade e autonomia
dos agentes, a qual permite considervel reduo do nmero de mensagens transmitidas
na rede, desta maneira o risco de sobrecarga na rede e falta de recursos so reduzidas.
Mesmo quando o nmero de agentes pessoais alto (o nmero de agente igual ao
nmero de usurios)

13
 O algoritmo de clustering utilizado pelo sistema baseado no Map Kohonen5 . O
Map Kohonen composto de duas camadas distintas: a camada de entrada e a camada
de projeo. Cada neurnio a entrada que representa um atributo ou dimenso dos
dados de entrada. Cada um dos neurnios conectado a todos os neurnios da camada
de projeo e cada coneco esta associada a um peso, geralmente um nmero entre 0 e
1. Com esse vetor, cada neurnio tem a possibilidade de computar seu nvel de ativao.
No sistema, o Map Koronen, encontrado no agente Mediador o qual recebe os
perfis dos usurios trazidos pelo agente pessoal, em seguida o perfil adicionado base
contendo todos os perfis. Esses perfis so ento convertidos um a um em pesos em um
vetor que ento ser usado para ativar valores das unidade de entrada da rede neural. A
rede ento treinada atravs dos conjunto de perfis. Um cluster determinado para
cada perfil pelo nvel de ativao e determina o maior para cada um.

3.2 LeCS
O LeCS (Learning from Case Studies) foi desenvolvido pelo Departamento de
Computao e Estatstica da UFSC (Santa Catarina Brasil), em conjunto com a
Universidade do Vale do Itaja (Univali) e a Unidade de Aprendizagem Baseada em
Computador da Universidade de Lees (Leeds UK), LeCS um sistema inteligente de
aprendizagem distncia, o qual, segundo [ROS2000], possui uma arquitetura baseada
em um Sistema Federativo de agentes.
A Figura 5 descreve a arquitetura e a estrutura da comunicao usada, a
qual estabelece que a comunicao no acontece diretamente entre os agentes, mas
atravs de um Facilitador (Facilitator). O Facilitator um programa especial
(implementado como um agente) que guarda a informao sobre cada agente no sistema
e responsvel pelo roteamento dessas mensagens, trabalhando como um broker. H
dois banco de dados implementados: o primeiro o prprio Facilitator que armazena
todas informaes necessrias para rotear as mensagens, e o segundo um mecanismo
de logs que armazena todas as trocas de mensagens.
A arquitetura inclui trs classes de agentes: Agente Interface, Agente de
Informao e Agente Conselheiro.

5
Kohonen Maps um tipo de rede neural que realiza aprendizagem no-supervisionada

14
 Information Advising
Agent Agent : KQML

Facilitator Logs

Interface Agent Interface Agent Interface Agent

(User 1) (User 2) (User n)
...

Figura 3: Arquitetura do sistema LeCS

- Interface Agent - (Agente Interface): Todas as intervenes do sistema so
apresentadas atravs deste agente. O Agente Interface armazena as
informaes sobre os usurios individualmente: o que digitado no editor de
texto, o nmero de participantes do chat, a etapa em que o indivduo esta
trabalhando, a resposta a cada questo e o tempo gasto em cada etapa.
Baseado nestas informaes, o Agente Interface faz intervenes sobre
tempo e participao. Utiliza o banco de dados que contm informaes
adicionais: o endereo dos agentes, o nome pelo qual ele conhecido, etc.
- Information Agent (Agente Informao): este agente lida com o domnio
e o conhecimento pedaggico. O Agente Interface e o Agente Conselheiro
podem acessar o Agente Informao. A informao armazenada por este
agente dividida em duas diferentes categorias: material didtico e base de
conhecimento. O material didtico consiste de pginas HTML, imagens e
textos. A base de conhecimento refere-se ao domnio e representao das
solues dos casos desenvolvidos. Alm disso, este agente armazena as
interaes do chat.
- Advising Agent (Agente Conselheiro): enquanto que o Agente de
Informao tem acesso ao banco de dados e as bases de conhecimento, o
Agente Conselheiro tem um mecanismo para entender sobre suas aes e
para reconhecer situaes onde algum suporte necessrio. O Agente
Conselheiro executa o algoritmo para gerar uma rvore de solues com a
informao fornecida pelo Agente Interface e retorna a representao para
este agente. Quando aplicvel ele gera uma interveno sobre o mal

15
 entendimento de caso de estudo e envia uma requisio para uma
interveno do Agente Interface.
Comunicao dos agentes est baseada na Agent Comunication Language (ACL)
e as mensagens trocadas entre os agentes usam o formato da Knowledge Query and
Manipulation Language (KQML).
O sistema foi implementado na linguagem Delphi, numa arquitetura cliente-
servidor. O servidor hospeda as sees, as quais so associadas com um grupo de
estudantes trabalhando cooperativamente. O cliente roda na mquina do estudante
permitindo dessa forma que vrios estudantes possam participar de uma mesma sesso.
A Figura 6 mostra a interface com o usurio do sistema LeCS, a qual composta
da seguinte maneira: uma lista de participantes, um browser, uma rea para a
representao grfica da soluo, um chat, um editor de texto colaborativo e uma rea
de intervenes do sistema. O browser usado para acessar web pages que apresentam
o contedo dos estudos de caso e os passos para guiar o desenvolvimento da soluo
deste casos. O chat o lugar onde pode acontecer as discusses sobre o assunto. O
editor de texto usado para responder as questes colocadas em cada etapa.

Figura 6: Interface com o usurio do sistema LeCS

Segundo [ROS2000, ROS2000a], o LeCS pode ser caracterizado como um

sistema inteligente para o ensino a distncia. LeCS d suporte aprendizagem
colaborativa atravs da World Wide Web (WWW) usando o mtodo de ensinar com
estudos de casos (Case Based Resoning - CBR). O cenrio de aprendizado para o uso
do sistema um grupo de alunos que est geograficamente disperso, cursando uma
disciplina (por exemplo engenharia, medicina, administrao, etc.) de um curso a

16
distncia onde o mtodo de aprender atravs de estudos de casos. O sistema inclui as
ferramentas necessrias para desenvolver a soluo para um determinado caso (a ser
modelado pelo professor) e desempenha funes que do apoio ao processo de
aprendizado.

3.3 LANCA

No projeto LANCA [FRA1998], os autores procuram expor o porque do uso de

agentes inteligente em STI e como podem ser adaptados para aprendizagem distncia.
O projeto foi desenvolvido pelo grupo do Departamento de Informtica e Pesquisa
Operacional da Universidade de Montreal (Montreal Canad) e da Unidade de
Informtica da Universidade de Pau (Bayonne Frana). LANCA apresenta as
principais caractersticas dos agentes para um ambiente de aprendizagem distncia,
bem como suas funes em ambientes distribudos. Propem, tambm uma arquitetura
para o ambiente com a especificao dos papis dos diferentes agentes inteligentes que
compem a sociedade.
A arquitetura proposta inclui quatro agentes cognitivos: pedagogical
agent, dialog agent, negotiating agent e o moderator agent.
- Pedagogical Agent (Agente Pedaggico) O papel deste agente
supervisionar a aprendizagem local. Ele fornece ao aprendiz a estratgia
pedaggica para ajuda-lo em situaes de resoluo de problemas. Ele
utiliza:
- Um modelo do aprendiz , inicialmente, resultante das requisies
endereadas ao aprendiz, e progressivamente atualizadas. O modelo
do aprendiz inclui vrias informaes, tais como: identificao
pessoal, preferncias de aprendizagem, eficincia de abordagens
pedaggicas especficas ou estilos, performace alcanada em cada
curso e nvel de finalizao;
- Um ITS Process (analizador), que interpreta as aes de cada
aprendiz e compara-os com um conjunto de solues possveis;
- Diversas estratgias de aprendizagem, as quais podem ser ativadas
pelo agente pedaggico ou pelo aprendiz.

O agente pedaggico detecta a fraqueza do aprendiz utilizando-se do

analisador e o tipo de explicao, o qual estimula a descoberta da soluo. Ele

17
grava as aes do aprendiz para fornecer uma ajuda futura para este tipo de
aprendiz. E ele pesquisa novas lies pertinentes, controla o progresso do
aprendiz e em caso de queda da performance, ele capaz de mudar a estratgia
de ensino.

- Dialog Agent (Agente Dilogo) o papel do agente Dilogo fornecer ajuda

e explicao adicional ao aprendiz quando a a explicao do agente
pedaggico inadequada. Permite integrao de diferentes explicaes com
diferentes modos de comunicao selecionadas de acordo com as
necessidades do usurio. As principais funes deste agentes so:
- No modo sncrono ele usa uma sala de chat para a comunicao com
outros aprendizes via seu Agente Pedaggico. Diferentes pontos de
viso e solues podem ser comparados pelos aprendizes,
contribuindo para resolver conflitos entre explicaes contraditrias
usadas pelsos ITS locais;
- No modo Assncrono ele acessa a base de conhecimento atravs de
uma interface Web. A base de conhecimento inclui cursos, base de
explicaes, perfis de diferentes aprendizes e estratgias de
aprendizagem, tais como: o book, o companion ,o tutor e o
troublemaker.

- Negotiating Agent (Agente Negociador) o papel do agente negociador esta

baseado no principio que ajudas adicionais so solicitadas pelo aprendiz que
pode perguntar ao Agente Companheiro ou a algum, no caso da Web
(atravs de e-mail) sobre um tpico especfico. Entretanto, o tempo que o
aprendiz gastaria pesquisando adequada reduziria o progresso no curso,
ento um agente especfico (o Agente Negociador), representar o aprendiz.

- Moderator Agent (Agente Moderador) o papel deste agente avaliar e

melhorar a funcionalidade do sistema. Ele objetiva:
- Selecionar entre as diferentes explicaes dadas para o aprendiz qual
foi a mais eficiente(usando estatsticas), e ento atualizar a base de
conhecimento de explicaes e o tipo de perfil do aprendiz;
- Determinar o custo das explicaes dos Agentes Negociadores.

18
 A
S
Y INTERNET
N
C
R
H
O Web Market
N
O
U Explanations Complementary
Mediator
S Base Explanations
Base
L
E Courseware
Negotiating
Negotiating
Negotiating
A
R Agent Agent Agent
N
I
N
G

S
Y
N
C Dialog Dialog Dialog
R Agent Agent Agent
H
O ...
N
O
U
S Pedagocical Pedagocical Pedagocical
Agent Agent Agent
L
E
A
ITS ITS ITS
R
N process process process
I
N
G Learner Learner Learner

Figura 7: Arquitetura do sistema LANCA

Neste projeto so utilizadas quatro estratgias de ensino: o book, o tutor, o

companion e o troublemaker.
- O Book (Livro) o conjunto de ndices do curso, relacionado com o
entendimento de conceitos especficos;
- O Tutor (Tutor) uma estratgia diretiva na qual o sistema d respostas
ou conselhos para as requisies do aprendiz;
- O Companion (Companheiro) um colega vitual capaz de discutir com o
aprendiz, dando algumas dicas e perguntando algumas questes focando a
ateno em um ponto especfico;
- O Troublemaker (Criador de caso) um companheiro particular que
envolve o aprendiz por propor solues que so algumas vezes verdadeiras
mas outras vezes erradas. Desta maneira faz o aprendiz pensar e defender seu
ponto de vista, aumentando sua motivao.

3.4 Baguera

O projeto Baguera [WEB2001], foi desenvolvido pela Universidade de Grenoble

(Grenoble Frana), cujo objetivo desenvolver uma fundamentao terica e

19
metodolgica para guiar a concepo e modelagem de ambientes de aprendizagem. A
plataforma Baguera est fundamentada no princpio que a funo educacional do
sistema est nas interaes organizadas entre os componentes: agentes e humanos e, no
meramente na funcionalidade de uma de suas partes.
O primeiro resultado desse projeto inclui uma arquitetura multiagente baseada
na Web para ambientes de aprendizagem e um prottipo para a aprendizagem de
geometria.
A plataforma Baguera foi desenvolvida usando JatLite
(http://java.stanford.edu/). Cada agente foi extendido por um mdulo de interao que
fornece suporte ao gerenciamento de protocolos entre os agentes. Os agentes possuem
habilidade de comunicar-se com outros agentes, raciocinar e tomar decises. A
comunicao entre agentes est baseado na Teoria dos Atos de Fala , em adequao
com o padro FIPA-ACL (http://www.fipa.org/).
A arquitetura multiagente da plataforma Baguera foi concebida pela metodologia
AEIO (Agent, Environment, Interactions, Organisation), uma metodologia para a
anlise e projeto orientados a agentes proposta por Demazeau [DEM1995]. Como
resultado desse processo, estudantes e professores interagem com diferentes agentes.
Cada estudante apoiado por trs agentes artificiais, que so:
- Companion Student (Companheiro do Estudante) um agente associado
com a interface do estudante. Monitora as aes do estudante, notificando
outros agentes quando necessrio. Este agente controla o acesso a pasta
eletronica do estudante e pode interagir com outros agentes: Agentes
Companheiros Professores e Agentes Companheiros Estudantes. Dessas
interaes, o agente traz ao estudante informaes sobre o ambiente e
permite a comunicao com professores e outros estudantes conectados.
- Tutor Agent (Tutor) Esse agente pode interagir com o Agente Mediador,
Agente Assistente, Agentes Tutores e Agentes Companheiros. Pode acessar a
pasta do estudante para retomar, adicionar exerccios e atualizar o histrico
do estudante. Estes agentes so capazes de modelar as concepes do
estudante.
- Mediator Agent (Agente Mediador) O objetivo deste agente enviar as
solues do estudante a um solucionador de problemas apropriado. Este
agente implementa tcnicas para analisar e apresentar provas e pode interagir
com outros agentes.

20
 Similarmente, cada professor apoiado por dois agentes artificiais:
- Companion Teacher (Companheiro do Professor) Este agente associado
com a interface do Professor. Ele traz para o usurio informaes sobre o
ambiente de aprendizagem. Este agente media a comunicao com outros
humanos e agentes artificiais, como edio de novas atividades para os
estudantes, distribuio de tais atividades ao estudantes e superviso dos
trabalhos feitos pelos estudantes. O Agente Companheiro Professor pode
interagir com o Agente Assistente, Agente Tutor e qualquer Agente
Companheiro.
- Assistant Agent (Agente Assistente) Um agente assistente tambm um
tipo de agente pessoal, o qual tem como objetivo assistir o professor com a
criao e distribuio de novas atividades, que so armazenadas na pasta
eletronica do professor. Este agente controla o acesso a pasta eletronica do
professor e pode interagir com o Agente Tutor, outros Agentes Assistentes e
companheiros. Alm disso, estes agentes so notificados de novas coneces
de estudantes e professores pertencentes a classe dos professores.
O prottipo do ambiente para a ensinar prova de uma determinada geometria
est baseado na plataforma multiagente apresentada. Os usurios podem ter acesso ao
ambiente de aprendizagem atravs de qualquer browser que suporta Applets Java,
acessando a seguinte URL: http://www-baghera.imag.fr.
A relao dos estudantes apresentada, primeiramente, como mostrado na
Figura 8. Desta janela os estudantes tm o acesso sua classe, os exerccios a serem
resolvidos e, na parte inferior da janela, os estudantes podem estabelecer um dilogo
simples com seu agente pessoal. Uma vez que um estudante escolheu um exerccio para
trabalhar, EuclideJava (Figura 9) iniciado.

21
 Figura 8: Interface geral do estudante no sistema Baguera

A Figura 9 mostra uma soluo construda por um estudante. No alto da janela

h um menu e a indicao do exerccio. O resto da janela dividido em dois lados. O
lado esquerdo usado para os estudantes construir a prova de geometria. Na parte
direita um objeto geomtrico colocado para a manipulao geomtrica. A manipulao
geomtrica feita por Cabri-Cabri-Java (http://www.cabri.net/cabrijava/).

Figura 9: Interface de resoluo de problemas no ambiente Baguera

A interface do professor similar interface do estudante. Funcionalidades

extras da aplicao permitem ao professores inserir e distribuir problemas, supervisionar
estudantes enquanto esto trabalhando e trocar mensagens. Estudantes e professores so
dinamicamente organizados em classes virtuais conforme seu nvel. Os membros
(alunos) de uma mesma classe podem trocar mensagens.

22
 3.5 I-Help

O I-Help [VAS2001] foi desenvolvido pela Universidade de Saskatchewan

Canad), este projeto descreve uma infraestrutura multiagente para o I-Help, um
ambiente de aprendizagem baseado na Web para auxiliar aprendizes na soluo de
problemas. O sistema contm uma variedade de recursos da aprendizagem, fruns,
materiais on-line, chat, etc.
Para ilustrar a funcionalidade do I-Help imaginemos o seguinte cenrio. Um
estudante tem uma questo e este delega a tarefa de encontrar ajuda a seu agente
pessoal. O agente pessoal tenta encontrar um outro agente (agente de aplicao ou um
outro agente pessoal) que oferea os recursos da informao relacionados ao pedido da
ajuda. Podem ser tambm recursos humanos (representado no sistema por seus agentes
pessoais), isto , os estudantes que esto online e so capazes de ajudar a solucionar a
questo. A Figura 10 apresenta a interface grfica do ambiente I-Help.

Figura 10: Interface do sistema I-Help

O sistema I-Help baseado em uma arquitetura multiagente, consistindo em
agentes pessoais (usurios e humanos) e em agentes de aplicao (Figura 11). Estes
agentes usam uma ontologia e uma linguagem de comunicao comum. Cada agente
controla recursos especficos do usurio (ou da aplicao) que ele representa, incluindo
por exemplo, os conhecimentos do usurio sobre determinados conceitos, ou os
materiais instrutivos que pertencem a uma aplicao. Os agentes usam seus recursos
para conseguir os objetivos de seus usurios, seus prprios objetivos, e objetivos de
outros agentes. Todos os agentes so autnomos.

23
 Cada agente possui um modelo de seu usurio e de outros agentes que ele
encontrou e negociou. Os agentes comunicam-se com outros agente e com Agentes
Matchmaker (combinadores) para procurar por recursos apropriados para seus usurios,
dependendo do tpico da ajuda requisitada. Se um recurso eletrnico for encontrado
(representado por agentes de aplicao), o agente pessoal apropria-se do recurso e
apresenta-o ao usurio em um browser. A ajuda arranjada (negociada) inteiramente
pelos agentes pessoais, livrando o aprendiz da necessidade de negociar e pensar sobre o
custo da ajuda. Desta maneira os agentes pessoais negociam a ajuda de seus usurios
em um mercado virtual de ajuda.
Arquiteturas multiagentes envolvem vrios nveis de organizao, incluindo
negociao entre os agentes. Desta maneira, consegue-se um sistema distribudo, multi-
usurio, multiaplicao, adaptvel e auto-organizado que suporta alocao de recursos
de ajuda (outros usurios, aplicaes e informaes).

Figura 11: Arquitetura do sistema I-Help

3.6 The Explanation Agent

O Explanantion Agent ou Agente de Explicaes de [ZOU2000], desenvolvido

pelo Departamento de Informtica e Pesquisa Operacional da Universidade de Montreal
(Montreal Canad), tem como objetivo principal prover respostas ou explicaes
sobre o contedo com maior qualidade, identificando problemas que possam ocorrer

24
durante o processo de explicao ou resoluo de problemas. Ele tem dois objetivos
especficos: descobrir a fonte do mal entendimento do aprendiz atravs do modelo do
estudante, e ajudar o projetista do curso a adaptar suas explicaes de acordo com estas
observaes. utilizado a teoria de Mapas Conceituais para estruturar as explicao em
uma representao formal. Esta representao usada pelo Agente Explicao para
fazer suas dedues sobre conceitos mal entendidos pelo aprendiz.
O termo Agentes Pedaggicos, usado para referir-se a agentes criados para
ajudar pessoas iniciantes no processo de aprendizagem, por meio da interao com o
aprendiz.
Agentes Pedaggicos exibem um conjunto de caractersticas: Eles podem
adaptar suas interaes necessidades do aprendiz, e o estado corrente do ambiente.
Eles podem colaborar com aprendizes e outros agentes e so capazes de providenciar
um contnuo feedback ao aprendiz. E eles podem mostra-se como figuras vivas,
introduzindo emoes e aspectos sociais em suas interaes e ralaes com o aprendiz.
A arquitetura do ambiente de aprendizagem uma arquitetura cliente-servidor
dividida em duas partes (Figura 12):
- Um editor no servidor onde o curso, exerccios e explicaes so criadas;
- O ambiente de aprendizagem onde o Agente Explicao est envolvido;
O Editor do ambiente possui os seguintes componentes:
- O Modelo de domnio: composto por todos os cursos e exerccios
disponveis. Cada curso pode ser representado numa forma de rede
semntica. A menor unidade de dados na representao chamada de
conceito. Cada exerccio composto de um rtulo, possveis respostas e um
conjunto de erros pr-definidos;
- O Agente Servidor: O Agente Explicao armazenado no servidor. Em
cada sesso de aprendizagem ele enviado para a mquina do aprendiz;
- O Modelo do Estudante: o modelo do Estudante um modelo de
perturbao e mais precisamente um modelo de bug. A tcnica comum para
implementar um modelo de perturbao representar o conhecimento do
especialista e ento argumentar sua representao com o conhecimento
explicito do provvel conceito mal entendido. Neste sistema o projetista tem
que elaborar uma biblioteca de bugs para cada exerccio enumerando um
conjunto de bugs que ele notou atravs de suas experincias;

25
 - A Base de Conhecimento: usada para armazenar cursos, exerccios e
explicaes;
- O Editor de Explicaes: usado para produzir explicaes na forma de
textos ou web pages. Estas pginas podem conter imagens, vdeos e
simulaes virtuais. Depois de projetar a explicao na forma de textos ou
web pages, o projetista tem que decompo-los em conceitos chaves e links
semnticos entre esses conceitos.
Cursos, exerccios e explicaes so apresentados no ambiente de aprendizagem
que composto da seguinte forma:
- Mdulo Dilogo: este mdulo interage com o aprendiz atravs de uma
sesso de aprendizagem: inicializando um dilogo, criando e atualizando o
modelo do estudante e manipulando o processo de comunicao;
- Agente Explicao: na seo de aprendizagem, o Agente Explicao
apresenta explicaes adaptadas ao modelo do aprendiz. Ele envia
informaes relacionadas com a performance do aprendiz ao servidor e todas
as informaes necessrias para detectar as incompreenes do aprendiz.
Editor do ambiente

Projetista Editor de Cursos

do curso Explicaes Exerccios
Explicaes

Modelo de domnio

Processo de
Recomendao Servidor Agente

Modelo do estudante

Ambiente de Aprendizagem

Modelo do Estudante Agente Explicao

Mdulo Dilogo: Curso e Ambiente de Exerccios

Interface do Aprendiz

Aprendiz

Figura 12: Arquitetura do ambiente Explanation Agent

26
 A arquitetura do agente dividida em camadas. Uma de cognio, outra de
explicao e outra de percepo (Figura 13). Cada uma sintetizando uma ou vrias das
caractersticas do agente. As caractersticas do agente so: reatividade, mobilidade,
autonomia, aprendizagem, deduo e capacidade de compreenso.

C: Camada de Cognio Aprendiz

B: Camada de Explicao Analisador 4 Mdulo de Explicao

2 3

A: Camada de Percepo Percepo Ao

1

Figura 13: Arquitetura do Agente Explicao

3.7 AME-A

AME-A [DAM1997, DAM1998, PER2001] um ambiente multiagente de

ensino-aprendizagem, no qual se prope o estudo e o desenvolvimento de um sistema
educacional interativo para o ensino distncia. A proposta o ensino genrico e
adaptvel s caractersticas psico-pedaggicas do aprendiz.
As caractersticas principais do sistema so a aprendizagem esttica e a
aprendizagem dinmica. A aprendizagem esttica corresponde a primeira interao do
aprendiz com o ambiente, onde um agente modela o aprendiz conforme suas
caractersticas afetivas, motivao e nvel de conhecimento. A aprendizagem dinmica
ocorre durante a interao, quando validado o modelo de aluno e estratgias
pedaggicas em vigor.
Este ambiente utiliza a abordagem de sistemas multiagentes conforme mostra a
Figura 14. Cada agente trabalha concorrentemente, realizando suas tarefas e trocando
mensagens entre si, com o intuito de que o aprendiz atinja uma aprendizagem efetiva.
As caractersticas psico-pedaggicas so relevantes para o ensino adaptado e viabilizam
a apresentao do material instrucional de uma maneira individualizada.

27
 Agente Aprendizagem_No Agente Ferra-
Supervisionada mentas_Para_Professor

Agente Humano
Promove_Interao

Agente
Modela_Aprendiz

Agente
Agente
Orienta_Aprendizagem
Seleciona_Estratgia

Agente
Orienta_Avaliao

Agente
Analisa_Aprendizagem

Figura 14: Arquitetura do ambiente AME-A

No AME-A [DAM1998a], cada agente responsvel por suas tarefas e agem

continuamente no ambiente, com a finalidade de cooperar para promover uma
aprendizagem inteligente e adaptvel s caractersticas dos aprendizes.
A seguir so definidos todos os agentes envolvidos no ambiente [DAM1999]:
- Agente Aprendizagem_No_Supervisionada: responsvel pela
aprendizagem livre e sem superviso quando o aprendiz assim desejar.
- Agente Promove_Interao: auxilia a interao aluno x aluno, aluno x
professor e professor x professor.
- Agente Ferramentas_Para_Professor: o professor possui uma ferramenta
para auxili-lo na integrao do material no banco de dados do ambiente.O
agente Ferramentas_Para_Professor tem como funo orientar o professor e
armazenar o material do curso. Inicialmente o professor cadastra-se no
sistema, podendo incluir novos materiais, alterar e aperfeioar o material
existente.
- Agente Modela_Aprendiz: O ambiente prope-se a personalizar o ensino
conforme um modelo de aluno gerado pelo agente Modela_Aprendiz. Para o
modelo de aluno adotou-se a combinao de quatro pares de perfis estudados
por Carl Jung (Extrovertido-Introvertido; Sensitivo-Intuitivo; Emocional-
Racional; Perceptivo-Julgador), gerando 16 perfis psicolgicos. Atravs de
um questionrio que dado ao aprendiz no incio do curso, o agente
Modela_Aprendiz verifica em qual dos perfis o aluno se enquadra. Essas

28
 informaes que caracterizam o aluno so passadas para o agente
Seleciona_Estratgia.
- Agente Seleciona_Estratgia: Para o perfil do aprendiz, foram definidos
mtodos de ensinar e caractersticas relevantes. Durante a interao do aluno
no ambiente, o agente pode mudar o perfil do aprendiz, caso perceba alguma
modificao em seu comportamento, e esta informao passada ao agente
Seleciona_Estratgia. O agente Seleciona_Estratgia muda a estratgia para
um determinado aluno quando o agente Modela_Aprendiz, ou o agente
Analisa_Aprendizagem, informarem alguma alterao na aprendizagem,
motivao e personalidade do aluno. Neste trabalho o agente
Seleciona_Estratgia, seleciona uma estratgia hbrida com base em
caractersticas do aluno e caractersticas das estratgias que se enquadram
para um determinado perfil de aluno.
- Agente Orienta_Aprendizagem: busca o endereo no banco de dados e
apresenta o material, conforme plano de ensino, isto , a seqncia de aes
(tticas) geradas pelo agente Seleciona_Estratgia. O material de ensino,
tambm denominado domnio do conhecimento (conceitos gerais, conceitos
mais abrangentes, exemplos, mensagens, alertas, grficos, tabelas, etc.), est
armazenado sob a forma de diferentes mdias (vdeo, texto, grfico, udio,
etc.), as quais so utilizadas para a sua apresentao. No banco de dados
encontram-se os endereos das pginas conforme uma estrutura pr-definida,
a qual retrata o plano de ensino com todas as possibilidades de estratgias,
onde o professor disponibilizou atravs do agente
Ferramentas_Para_Professor.
- Agente Orienta_Avaliao: informa ao agente Orienta_Avaliao a sesso
atual, informaes do aprendiz e objetivo em curso. Com essas informaes,
o agente Orienta_Avaliao busca e apresenta o material de avaliao
correspondente.
- Agente Analisa_Aprendizagem: analisa e verifica a aprendizagem durante
a interao do aprendiz, e informa ao agente Seleciona_Estratgia. Caso o
aprendiz no estiver aprendendo, o agente seleciona outra estratgia de
ensino.

29
 A anlise deste ambiente mostrou a possibilidade de utilizao de mltiplas
estratgias de ensino, selecionadas em funo de parmetros que o agente
seleo_estratgia recebe de outros agentes.
Na implementao deste ambiente, usou-se a linguagem Java para manter a
independncia de plataforma e o acesso atravs do WWW. Para armazenar o
conhecimento, um banco de dados foi definido em um servidor, permitindo o acesso dos
diversos seguimentos da nossa comunidade.

3.8 Eletrotutor

O Eletrotutor III a 3 verso do STI Eletrotutor proposto por Silveira

[SIL1992] em sua dissertao de mestrado. Foi seguido do Eletrotutor II uma verso
para a Web onde no funcionava como um STI e sim apenas um tutorial na Web.
Esta 3 verso foi desenvolvida no Instituto de Informtica da UFRGS, por
[BIC1998, BIC1998a]. O Eletrotutor III implementa um ambiente distribudo de ensino-
aprendizagem inteligente (Intelligent Learning Environment - ILE) baseado em uma
arquitetura multiagente, na qual os agentes possuem as seguintes caractersticas:
perceber dinamicamente as condies do ambiente; tomar decises para afetar
condies do ambiente; interpretar percepes, resolver problemas, extrair inferncias e
determinar aes. O ambiente Eletrotutor aborda o contedo constitudo por alguns
captulos de Eletrodinmica, um captulo da Fsica que estuda alguns fenmenos da
Eletricidade e aborda as relaes entre algumas grandezas eltricas como Corrente
Eltrica, Tenso, ou Diferena de Potencial, Resistncia e Potncia Eltrica.
A sociedade de agentes composta por sete agentes, cada um deles possui uma
funo especfica e como objetivo principal tem-se o aprendizado do aluno.
Neste ambiente de vital importncia a coordenao do comportamento dos
agentes e da maneira pela qual eles compartilham seus conhecimentos, objetivos,
habilidades e seus planos para, em conjunto, tomar as aes necessrias para solucionar
um problema. Para que diferentes agentes autnomos possam cooperar mutuamente a
fim de atingirem seus objetivos necessrio que a sociedade possua organizao
(arquitetura) e comunicao. A organizao diz respeito natureza e funo da
sociedade e de seus elementos constituintes e a comunicao o principal instrumento
que os agentes utilizam para desenvolver a coordenao de suas aes [SIL1999].
A fim de poder atuar sobre o ambiente, cada agente possui uma representao
interna parcial do mundo que o rodeia. Para isso, empregou-se a metfora de estados

30
mentais para modelar a base de conhecimento que representa os estados do ambiente
onde o agente est inserido.
A sociedade de agentes proposta na terceira verso do Eletrotutor contm
agentes autnomos que comunicam-se uns com outros, cada agente possui funes e
objetivos dentro de sua especialidade. A Figura 15 representa a arquitetura elaborada
neste trabalho, baseada em [SIL1998].

Figura 15: Arquitetura do ambiente Eletrotutor III

O ambiente de aprendizado inteligente proposto, seguindo a Figura 15 contm

um agente responsvel pela recuperao do conhecimento do domnio sobre cada ponto
a ser apresentado ao aluno, agentes responsveis pela tarefa de propor exerccios e
avaliao de respostas, exemplos ao aluno e atividades extras.
As caractersticas dos agentes do ambiente Eletrotutor III so definidas nas
sees a seguir:
- Agente Gerenciador Domnio: O agente Gerenciador Domnio possui a
funo de recuperar informaes referentes ao domnio sobre cada ponto a
ser apresentado ao aluno. Ele pode trocar mensagens com os agentes
Gerenciador Modelo do Aluno e Agente Interface. Como caractersticas
bsicas, temos: colaborao (autonomia, habilidade social, cooperao ),
orientado por objetivo e possui continuidade temporal;
- Agente Gerenciador de Exerccio: O agente Gerenciador Exerccio possui
a tarefa de propor exerccios e avaliar respostas do aluno. A troca de
mensagens pode ser feita com o agente Gerenciador Modelo do Aluno ou

31
 com o Agente Interface. Possui como caractersticas bsicas a colaborao,
adaptabilidade e continuidade temporal;
- Agente Gerenciador de Exemplo: O agente Gerenciador Exemplo
responsvel pela tarefa de propor exemplos ao aluno. Pode trocar mensagens
com os agentes Gerenciador Modelo do Aluno e Agente Interface. Como
caractersticas bsicas o agente Gerenciador Exemplo colaborador,
adaptvel e continuidade temporal;
- Agente Gerenciador de Atividades: O agente Gerenciador Atividade
responsvel pela tarefa de propor atividades extras ao aluno. Pode trocar
mensagens com os agentes Gerenciador Modelo do Aluno e Agente
Interface. Suas caractersticas bsicas so: colaborao, adaptabilidade e
continuidade temporal;
- Agente Gerenciador do Modelo do Aluno: O agente Gerenciador Modelo
do Aluno responsvel por construir e manter uma base de conhecimento
que modele o estado cognitivo dos alunos que estejam conectados ou que
tenham estado conectados ao sistema. Quando a sesso tutorial inicia o ele
recebe informao do Agente Interface , sobre a identificao do aluno, para
que possa recuperar o Modelo do Aluno correspondente e conforme o
andamento das lies decidir qual a estratgia de ensino a ser utilizada com
este aluno. Possui como caractersticas a colaborao, adaptabilidade,
racionalidade e continuidade temporal;
- Agente Interface: O Agente Interface possui como funo o controle do
browser no ambiente do aluno. As mensagens so recebidas e enviadas a
todos os agentes atravs do agente Gerenciador de Comunicao. Este agente
no possui inteligncia, apenas repassa as atividades do aluno na interface do
sistema. Como caractersticas, possui reatividade e autonomia;
- Agente Gerenciador de Comunicao: O agente Gerenciador de
Comunicao responsvel pela comunicao do agente Interface com os
demais agentes. Recebe e envia mensagens aos agentes Gerenciador Modelo
do Aluno e Agente Interface, conforme necessidades do Gerenciador de
Domnio, no trata mensagens, s as repassa. No possui nenhuma
inteligncia. Como caractersticas, possui reatividade, habilidade social,
autonomia e continuidade temporal.

32
 Com relao a implementao, o ambiente foi desenvolvido na linguagem Java,
com o objetivo de manter a independncia entre plataformas e o acesso atravs da
Internet. Os agentes trocam mensagens atravs do Remote Method Invocation (RMI).
As mensagens trocadas seguem um protocolo baseado na linguagem KQML. A base de
conhecimento est armazenada em um banco de dados relacional, o Oracle verso 8.0.4.

3.9 Um modelo computacional baseado na teoria de Vygotsky

Este trabalho est sendo desenvolvido pelo PGIE-UFRGS, PPGC-UFRGS e

FACIN-PUCRS, o qual descreve uma proposta de um framework para uso da
Tecnologia da Informao na educao. Esta baseado na teoria socio-cultural
interacionista de Vygotsky e projetado como uma sociedade multiagente para suportar
a aprendizagem distncia.
O objetivo deste trabalho propor um ambiente que privilegie a colaborao
como forma de interao social atravs do uso de linguagens, smbolos e sinais,
[AND2001]. Para suportar essa aprendizagem colaborativa, apresentado uma
sociedade formada pelos seguintes agentes artificiais: Agentes ZPD (Zone of Proximal
Development), Agente Mediador, Agente Semitico e Agente Social.
Para suportar o modelo coletivo de aprendizagem distncia, foi utilizada a
teoria formulada por Vygotsky, como base da fundamentao terica da proposta. Um
importante conceito nesta teoria que as atividades mentais so baseadas em
relacionamentos sociais entre o indivduo e o ambiente e este relacionamento mediado
por um sistema simblico.
Um outro fundamental conceito nesta teoria a Zone of Proximal Development
(ZPD) Zona de Desenvolvimento Prximo, onde o nvel de desenvolvimento do
aluno: o Level of Real Development (LRD) que refere-se as funes que o usurio j
processou e o Level Potencial Development (LPD) que determina as funes que ele
pode desenvolver.

33
 Social Semiotic
Agent Agent

WWW
Group Models Exercises
Examples

ZPD Mediating ZPD Mediating .... ZPD Mediating

Agent Agent Agent Agent Student Agent Agent

Student Student Student

Model Model Model

Agent that represents Agent that represents Agent that represents

the student the student the student

Student Student Student

Figura 16: Arquitetura do ambiente proposto por [AND2001]

O modelo pedaggico desta pesquisa esta baseado numa forma colaborativa de

aprendizagem que alcanado atravs da interao social. As interaes podem ser de
vrios tipos, considerando critrios como temporalidade, nmero de participantes,
reciprocidade, hierarquias e at critrios baseados em comportamentos: personalidade,
motivao, estado emocional, etc.
O sistema composto por quatro tipos de agentes artificiais: o Agente ZPD, o
Agente Mediador, o Agente Social e o Agente Semita, bem como agentes humanos
(Estudantes ou aprendizes).
- ZPD Agent (Agente ZPD) so resposveis por observar o desenvolvimento
real do estudante e prope atividades que tornaria suas capacidades reais.
resposvel por estimular aquelas funes que ainda no esto maturadas, mas
esto no processo de desenvolvimento. Este agente pode ter funes como:
variar o grau de controle das atividades, considerar tarefas gradualmente, ou
modificar as formas de ajuda e/ou suporte. Para auxiliar no processo de
aprendizagem , um ZPD deve ter um modelo do estudante, identificando
suas habilidades e deficincias, o qual ser construdo pela observao das
interaes do estudante.
- Mediating Agent (Agente Mediador) responsvel pela interface entre o
sistema e o estudante. Alm da funo de mediar a interao entre o
estudante com o ZPD, o Agente Mediador deve ter acesso ao modelo do
estudante ajudando a predio do comportamento do estudante o qual

34
 permite detrminar as melhores aes para serem executadas para auxiliar o
processo de aprendizagem do estudante.
- Semiotic Agent (Agente Semitico ) Para o Agente Mediador completar
seu papel, necessrio a iNterveno de uma estimulao externa (sinais)
para o estudante. O Agente Semitico auxilia a atividade cognitiva do
estudante introduzindo esses elementos, por exemplo: figuras, sons, textos,
nmeros, etc.
- Social Agent (Agente Social) O Agente Social conhece todos os Agentes
ZPD da sociedade e tambm tem conhecimento da presena de Agentes
Sociais. Sua funo estabelecer a integrao da sociedade e construir
modelos de grupos de estudantes. Uma de suas atividade de Agente social
investigar a existncia de estudantes que tenham o conhecimento necessrio,
crenas e tipos de personalidade que seriam melhor apropriados para uma
cooperao entre os estudantes.
- Human agents (Agentes Humanos) Os agentes humanos so vistos como
agentes que estabelecem relacionamento social com cada um conforme suas
caractersticas pessoais e personalidade. Ento importante que a
caracterstica pessoa e a personalidade do estudante estejam contidas no
modelo, estes traos afetaram a interao diretamente atravs dos papis que
cada estudante assumir. Estes papis determinam a afeio que acontecer
no grupo de estudantes.
O ambiente ser implementado em Java e utiliza KQML para o processo de
comunicao.
Este trabalho envolve vrios projetos menores relacionados a teses de doutorado
(PGIE e PGCC/UFRGS) e mestrado (PGCC/UFRGS). Sendo que um deles
encontramos a pesquisadora do GIE-FACIN/PUCRS, Profa. Adja Ferreira, autora da
proposta.
O trabalho de coordenao das contribuies individuais dever impactar e
modificar a arquitetura aqui apresentada. Apesar de ser um trabalho inicial nos trouxe as
contribuies necessrias para o tipo de trabalho que se pretende neste estudo.

35
4. Estudo Comparativo sobre as arquiteturas selecionadas

Nesta seo apresentamos o resultado do estudo comparativo dos ambientes

identificados na seo anterior.
Os resultados foram organizados em um quadro comparativo onde so
destacados o conjunto de aspectos considerados relevantes para nosso estudo. A fim de
se identificar o conjunto de requisitos utilizados pelos autores para
modelar/implementar os ambientes inteligentes Web que utilizam a tecnologia de
agentes.
O preenchimento do quadro segue a seguinte conveno: cada clula possui uma
descrio de como o STI atende este critrio (por exemplo, "KQML" para o critrio
"Tipo de comunicao entre os agentes"). No caso do critrio Atividades dos Agentes
(Tipo, Nome e atividade) inserimos os smbolos: Q e/ou R, para indicar o tipo de
agente, de acordo com as caractersticas que apresentam em relao s atividades que
desempenham no ambiente de ensino-aprendizagem. O smbolo Q identifica que o
agente em questo do tipo Executor de Tarefas e o smbolo R identifica que o agente
tipo Assistente. Esta classificao ser detalhada e justificada na seo 4.1.
Utilizamos (?), para indicar, simplificadamente, a dvida dos autores deste texto
(autor e orientadora) em relao ao posicionamento do STI em relao um
determinado aspecto, e tambm pelo fato de no conseguirmos, um a partir das
informaes disponveis nos textos e/ou desenhos, se as concluses que chegamos
seriam corretas ou no. Em alguns casos colocamos nossa interpretao a partir das
informaes disponveis, por julgarmos que o conjunto de indicadores nos dava um alto
grau de certeza.
Aps a apresentao dos quadros que mostram as funcionalidades identificadas
nos ambientes, passaremos a explicar cada um cada um dos itens considerados para
compor o estudo comparativo. Os itens que foram considerados relevantes para esse
estudo so:
- Objetivo: visa identificar o objetivo do ambiente;
- Domnio (Contedo): visa identificar o contedo a ser trabalhado no
sistema;
- Quantidade, nome e atividades dos agentes: visa identificar o nmero de
agentes associados e respectivas atividades dentro da sociedade multiagente;

36
- Tipo de comunicao: visa identificar se existe ou no um padro utilizado
para a comunicao entre os agentes;
- Linguagem e/ou Ferramenta de Implementao: visa identificar o tipo de
ambiente utilizado para implementar os ambientes;
- Tipo de arquitetura SMA utilizada: visa identificar se os autores
utilizaram ou explicitaram o tipo de arquitetura para a sociedade de agentes
que est relacionada com a proposta do ambiente;
- Estratgias de Ensino utilizada: visa identificar o tipo de estratgias de
ensino utilizada para auxiliar a promover a aprendizagem do contedo
(domnio) nos usurios dos ambientes;
- Tipo de Modelo do Aluno: visa identificar o tipo de modelo do aluno
criado/desenvolvido a partir das interaes do sistema com o usurio em
funo dos modelos encontrados na literatura de STI;
- Interface Grfica: visa identificar se o sistema utiliza ou no interfaces
grficas e o grau de adaptabilidade do sistema que ela reflete (exibe) para o
usurio;
- Ferramentas auxiliares: visa identificar quais as ferramentas auxiliares
mais utilizadas em ambientes de ensino-aprendizagem.

37

Nome
White Rabbit
tens
Aumentar a cooperao entre um Dar suporte aprendizagem Prope-se ao ensino genrico e Expor que agentes inteligentes Desenvolver
grupo de pessoas pela anlise de colaborativa atravs da WWW. adaptvel
Objetivo suas conversaes.
Domnio
Independente de domnio
(Contedo)
Quantidade
2 3
de agentes
Q Agente Pessoal: responsvel Q Agente Interface: armazena R
por obter informaes dos
alunos; gerenciar a interface
grfica, etc.
R Agente Mediador: facilita a
comunicao entre os agentes
pessoais; gerencia o processo de
clustering para a construo do
modelo do aluno, etc.
Atividades dos agentes
Tipo, nome e atividade)
Quadro 1: Funcionalidades identificadas nos ambientes
LeCS
psico-pedaggicas do aprendiz
Independente de domnio
as informaes obtidas pela No_Supervisionada: gerencia a
interao com a interface do
ambiente; realiza intervenes
sobre o tempo e participao,
etc.
R Agente Informao: lida com
o domnio e o conhecimento
pedaggico.
R Agente Conselheiro: realiza
intervenes quando um mal
entendimento do aluno
percebido.
AME-A Lanca Baguera
um
s caractersticas em STI podem ser adaptados fundamentao terica
para aprendizagem distncia metodolgica para guiar
concepo e modelagem d
ambientes de aprendizagem.
Independente de domnio Independente de domnio Independente de domnio
8 4 5
Agente Aprendizagem R Agente Pedaggico: Q Agente Companheiro d
supervisionar a aprendizagem. Estudante: monitora as aes d
aprendizagem livre (sem R Agente Dilogo: fornece estudante, etc.
superviso). ajuda e explicao ao aluno. R Agente Tutor: modela a
Q Agente Promove Interao: Q Agente Negociador: negocia aes do aluno, etc.
auxilia na interao do informaes na Web com outros R Agente Mediador
participantes (Aluno e agentes. intermedia as solues do alun
professores). Q Agente Moderador: avaliar e com um Solucionado
R Agente Ferramentas Para melhorar a funcionalidade do apropriado, etc.
Professor: orientar o professor e sistema. Q Agente Companheiro d
armazenar o material do curso. Professor: interface do sistem
R Agente Modela Aprediz: com o professor, auxilia
personaliza o ensino conforme o professor sobre o processo d
modelo do aluno. aprendizagem, etc.
R Agente Seleciona Estratgia: Q Agente Assistente: agent
seleciona a estratgia apropriada pessoal do professor, auxilia n
conforme o perfil do aluno. distribuio de novas atividades
Q Agente Orienta etc.
Aprendizagem: busca e
apresenta o material de ensino.
R Agente Orienta Avaliao:
auxilia no processo de avaliao.
R Agente Analisa
Aprendizagem: analisa e verifica
a aprendizagem durante a
interao.
 Quadro 2: Funcionalidades identificadas nos ambientes (continuao)

Nome
White Rabbit LeCS AME-A Lanca Baguera
tens
Tipo de comunicao
? KQML ? ? KQML
entre os agentes
Linguagem e/ou
Ferramenta Supostamente Java, JavaScript e
HTML
Delphi Java ? JATLite
de desenvolvimento
Tipo de
arquitetura/sociedade Sociedade heterognea e aberta Sistema Federativo de Agentes Sociedade heterognea e fechada Sociedade heterognea e fechada ?
SMA utilizada
Estratgias
Mltiplas estratgias de ensino Mltiplas estratgias de ensino Mltiplas estratgias de ensino Mltiplas estratgias de ensino ?
de Ensino utilizada
Modelos pr-definidos, 4 pares
de modelos: Extrovertido
Introvertido; Sensitivo
Tipo de Modelo do
Intuitivo; Emocional - Racional;
Rede neural ? ? ?
Aluno Perceptivo Julgador, gerando
16 perfis psicolgicos,
classificados por uma Rede
Neural.
Interface
Grfica interativa Grfica interativa Grfica interativa Grfica interativa Grfica interativa
Grfica
Ferramentas
Browser e chat Browser, chat e editor de texto. ? Browser e chat Browser
auxiliares

3
 Quadro 3: Funcionalidades identificadas nos ambientes

Nome
Explanation Agent Eletrotutor I-Help Modelo computacional de Vygotsky
tens
Prover respostas ou explicaes sobre o Desenvolver um instrumento para Auxiliar estudantes na soluo de Propor um ambiente que privilegie a
contedo com maior qualidade, verificar a eficcia do uso de diferentes problemas atravs da Web colaborao como forma de interao
Objetivo identificando problemas que possam abordagens de ambientes de ensino por social atravs do uso de linguagens,
ocorrer durante o processo de computador na escola smbolos e sinais.
explicao ou resoluo de problemas.
Domnio
Independente de domnio Fsica (Eletrodinminca) Independente de domnio Independente de domnio
(Contedo)
Quantidade
1 para cada usurio do sistema 7 3 5
de agentes
Q R Agente Explicao: apresenta Q Agente Gerenciador Domnio: Q R Agente Pessoal: controla recursos R Agente ZPD: responsvel por
explicaes adaptadas ao modelo do recupera informaes referentes ao especficos dos usurios (alunos ou observar o desenvolvimento e propor
aprendiz. domnio, etc. professores) atividades.
R Agente Gerenciador de Exerccio: Q R Agente de Aplicao: controla Q Agente Mediador: responsvel pela
prope exerccios e avalia respostas. recursos especficos das aplicaes. interface entre o sistema e o estudante.
Q Agente Gerenciador de Exemplo: R Agente Social: estabelece a
apresenta exemplos ao aluno. integrao da sociedade e constri
Atividades dos agentes R Agente Gerenciador de Atividades: modelos de grupos de estudantes.
(Nome e funo)
prope atividades extras ao aluno. R Agente Semitico: auxilia na
R Agente Gerenciador do Modelo do atividade cognitiva do estudante.
Aluno: constri e mantm o modelo do Q Agente Humano: estabelece
estado cognitivo do aluno. relacionamento social com cada agente
Q Agente Interface: controla a interface conforme suas caractersticas pessoais.
do ambiente.
Q Agente Gerenciador de
Comunicao: gerencia a interface do
ambiente com os demais agentes.

4
 Quadro 4: Funcionalidades identificadas nos ambientes (continuao)

Nome
Explanation Agent Eletrotutor I-Help Modelo computacional de Vygotsky
tens
Tipo de comunicao
? KQML KQML KQML
entre os agentes
Linguagem e/ou
Ferramenta ? Java ? Java
De desenvolvimento
Tipo de
arquitetura/sociedade Sistema Federativo, sociedade Sociedade heterognea, aberta e baseada
Sociedade heterognea e aberta ?
heterognea e fechada em leis.
SMA utilizada
Estratgias
Mltiplas estratgias de ensino Mltiplas estratgias de ensino Mltiplas estratgias de ensino Mltiplas estratgias de ensino
de Ensino utilizada
Tipo de Modelo do
Modelo de Pertubao (Buggy) Modelo de Pertubao (Buggy) ? ?
Aluno
Interface
Grfica interativa Grfica interativa Grfica interativa Grfica interativa
Grfica
Ferramentas
? Browser Browser, frnuns e chat ?
auxiliares

4
 4.1 Resultado da anlise comparativa

O estudo apresentado neste trabalho foi resultado da avaliao de alguns STI

existentes selecionados com os critrios apresentados na introduo deste trabalho. Esse
estudo nos permitiu levantar requisitos e funcionalidades necessrios para a definio de
aspectos relevantes para o projeto de STI que utilizam a tecnologia de agentes para sua
concepo. A seguir apresentaremos a anlise comentada dos itens discutidos na seo
anterior.
Quanto ao objetivo, a maioria dos ambientes na Web, no apresentam uma
proposta para um contedo especfico, ou seja, suas propostas so independentes do
domnio/contedo.
Nos STI tradicionais, os domnios modelados eram essencialmente domnios
lgicos, bem estruturados e muito restritos, tais como: ensino de Matemtica, Fsica,
Linguagens de Programao, etc.
Com a incorporao da tecnologia de Agentes no projeto e desenvolvimento de
STI, verificou-se que o contedo do domnio passou a ser variado, ou seja, o contedo
passou a ser modelado independentemente do domnio.
Observa-se que a quantidade, atividades e at mesmo a denominao dada para
os agentes variada. No entanto podemos agrup-los em dois grandes conjuntos.
Segundo Vassileva [VAS1997; VAS2001], os agentes quando desempenham
tarefas e/ou atividades em aplicaes voltadas para suporte ao processo de ensino-
aprendizagem so denominados de Agentes Pedaggicos.
Afim de melhor auxiliar o tipo de atividade dos Agentes Pedaggicos nos
ambientes analisados, caracterizamos um conjunto de possveis funcionalidades ou
atividades que os agentes podem desempenhar num ambiente dessa natureza (Aplicao
Educacional), de acordo com as atividades comuns apresentadas pelos agentes nos
ambientes analisados (ver critrios tcnicos nos quadros 1 e 2). A Figura 17 apresenta a
subdiviso das atividades de um Agente Pedaggico.
 Conjunto de atividades de suporte ao
Processo de ensino-aprendizagem

Agentes Pedaggicos

Atuao indireta Atuao Direta

Executor de Assistentes
Tarefas

Figura 17: Subdiviso para um Agente Pedaggico no processo de ensino-

aprendizagem.

De acordo com a Figura 17, podemos observar que conjunto de atividades que
do suporte ao processo de ensino-aprendizagem dos Agentes Pedaggicos, pode ser de
duas formas distintas de atuao: atuao direta e atuao indireta. Na atuao direta, o
processo se d pelas seguintes tarefas: coleta de informaes (especialmente na Web);
enviar mensagens para outros agentes ou para o aluno; monitorar a interface para
identificar o tipo de atividade que o aluno est desempenhando; etc. Todas essas
atividades so realizadas pelo Executor de Tarefas.
importante salientar que o papel do Executor de Tarefas no est relacionado
diretamente com a parte pedaggica, ou seja, a seleo e adoo de estratgias do
estudante.
J na atuao indireta, o processo realizado, pelo que denominamos de
Assistentes, cujas tarefas so: intermediar e/ou analisar o fluxo de informaes entre os
estudantes; selecionar informaes/materiais; relacionar e determinar estratgias de
ensino para os estudantes e realizar o processo de modelagem do aluno. O que se
observou que os agentes do tipo Assistentes na realidade executam as tarefas do
mdulo tutor, na arquitetura clssica de STI.
A troca da palavra Tutor para Assistente se justifica pela troca de paradigma
educacional. Lembrar que nas dcadas de 70 e 80, do sculo XX, o paradigma utilizado
era comportamentalista. A difuso e adoo do paradigma construtivista, a partir da
dcada de 90, do mesmo sculo, mudou a concepo do papel do professor.
Isto pode ser claramente observado nas propostas mais modernas, com a
referncia ao Agente Assistente (Mediador, Moderador, Gerenciador, Negociados,
Facilitador, etc).

43
 O Agente Executor de Tarefas pode buscar informaes, executar instrues
solicitadas pelo Agente Assistente. Basicamente, ele faz o papel de auxiliar do Agente
Assistente, desempenhando tarefas que so importantes para a tomada de deciso ou
execuo do (s) plano (s) adotado pelo Agente Assistente.
Ambientes que possuem mais de um agente, praticamente exigem troca de
informaes. Neste sentido, torna-se claro a necessidade de uma Linguagem de
Comunicao comum. A linguagem de comunicao entre os agentes, utilizada na
grande maioria dos ambientes estudados foi a linguagem KQML.
A Linguagem de Implementao utilizada determina a portabilidade,
performance, bem como recursos audiovisuais que podem ser utilizados no sistema.
Dentre os STI citados, os ambientes portveis so White Rabit, AME-A, Eletrotutor III,
e o Modelo Computacional proposto por [AND2001], que foram desenvolvidos em Java
(Ver critrios tcnicos no Quadro 1) e que, portanto, podem ser executados em qualquer
navegador World Wide Web (browser) ou sistema operacional que possua suporte
Java. O ambiente LeCS foi desenvolvido utilizando a linguagem Delphi. J o ambiente
Baguera foi desenvolvido com a Ferramenta JATLite, a qual possui um conjunto de
programas Java, que possibilitam a criao rpida de agentes que podem comunicar-se
pela Internet.
Segundo [OLI1996], existem trs critrios para classificao de uma sociedade
de agentes:
a) Quanto ao tipo de agentes:
- Sociedades homogneas: os agentes so todos do mesmo tipo, ou seja,
possuem arquiteturas idnticas;
- Sociedades heterogneas: existem agentes de diferentes tipos na sociedade.
b) Quanto migrao de agentes:
- Sociedades fechadas: h um nmero fixo e nico de agentes na sociedade;
- Sociedades abertas: o nmero de agentes nesta sociedade pode variar, pois
podem entrar novos agentes ou sair agentes da sociedade.
c) Quanto presena de regras de comportamento:
- Sociedades baseadas em leis: existem regras que determinam o
comportamento dos agentes;
- Sociedades sem lei: quando no h regras para reger os agentes da sociedade.
A maioria dos trabalhos analisados no descrevem a forma como esta organizada
e/ou estruturada a sociedade ou a arquitetura do sistema. Entretanto, podemos supor que

44
vrios ambientes apresentam caractersticas em que sua sociedade considerada uma
sociedade heterognea e fechada e possuem regras de comportamento para seus agentes.
Arquitetura de agentes refere-se ao modo de organizao dos agentes dentro de
um sistema e como esto estruturados seus relacionamentos e interaes. Assim como
existem diversas arquiteturas de software, o mesmo ocorre com relao as arquiteturas
de agentes, as quais possuem certas caractersticas que permitem a avaliao de sua
qualidade e eficcia.
Para exemplificar, tomemos como exemplo a arquitetura de Sistema Federado,
ou Federativo. Conforme [THI1999], a interao dos agentes assistida por um
programa especial denominado Facilitador, o qual oferece um conjunto de servios de
coordenao. A Figura 18 apresenta uma arquitetura baseada em um Sistema
Federativo.
Plataforma A Plataforma B
Agente Agente Agente Agente

Facilitador Facilitador

Plataforma C
Facilitador

Agente Agente

Figura 18: Arquitetura de um Sistema Federativo

O Facilitador atua como um mediador, roteando mensagens (solicitaes e

respostas) de acordo com seu conhecimento interno. Os ambientes que adotaram o
Sistema Federativo para modelar sua arquitetura foram, o ambiente LeCS e o
Eletrotutor.
Uma outra arquitetura bastante conhecida e utilizada a arquitetura Blackboard
(Quadro negro). Conforme [JAQ1999], Blackboard uma estrutura nica e
compartilhada entre vrios agentes, onde as informaes sero escritas e lidas durante o
desenvolvimento das tarefas. Como no h comunicao direta entre os agentes, eles
devem consultar a estrutura de tempos em tempos para verificar se existe alguma
informao destinada a eles. O esquema da estrutura Blackboard pode ser visualizado
na Figura 29.

45
 Agente

Agente
Blackboard
(Quadro negro)
Agente

Agente

Figura 19: Arquitetura Blackboard

As Estratgias de Ensino podem ser vistas como esquemas de planos que

definem formas de apresentar o material instrucional ao aluno [GIR1997].
Segundo [GIR1998], a seleo do conjunto de estratgias de ensino que ser
utilizada no STI um aspecto muito importante para garantir a qualidade pedaggica do
ambiente de ensino-aprendizagem. A seleo de uma estratgia depende de diversos
fatores, tais como: o nvel de conhecimento do estudante, o domnio, a motivao e as
caractersticas afetivas do mesmo e outras.
Pode-se dizer que os STI apresentam, na sua maioria, os seguintes tipos de
estratgias de ensino [GIR1998], [GIR2001]:
- Socrtico o material apresentado projetado para induzir os estudantes a
identificar enganos e interpretaes errneas acerca do contedo. Essa
estratgia baseia-se no erro do estudante;
- Reativos as lies reagem s perguntas do estudante e hipteses que
simulam os efeitos das idias do estudante, apresentando as respectivas
implicaes baseadas em regras prvia;
- Treinamento (Coaching) o sistema utiliza um conjunto de regras de
produo para escolher a forma mais apropriada de instruo para um
determinado estudante;
- Assistente o tutor age como um participante em uma conversao com
estudantes e auxilia-os a clarificar suas idias utilizando suas prprias
percias;
- Troublemaker - esta estratgia sugere que o computador possa simular
distintos comportamentos: dar uma resposta errada a um problema para
forar o aprendiz a reagir e a propor uma soluo correta, ou esperar pela
soluo do aprendiz e dar uma sugesto ou soluo errada..

46
 Muitos sistemas selecionam e adotam mais de uma estratgia. Isso ocorre porque
os sistemas geralmente tem mais de um objetivo, princpios diferentes de instruir,
diferentes mtodos de estruturar o conhecimento, etc.
Os ambientes de ensino-aprendizagem computadorizados devem oferecer um
estudo individualizado ao aluno e, para tanto, todos os agentes possuem, mantm e
atualizam os dados dos alunos em um Modelo de Aluno que guarda informaes sobre o
nvel de conhecimento e as preferncias deste aluno. Os agentes usam as informaes
do modelo do aluno, para definir qual o melhor contedo e/ou exerccio a ser exibido
para o aluno.
Segundo [GIR1998], modelo do aluno representa o conhecimento e as
habilidades cognitivas do aluno em um dado momento. A partir desse modelo e do
contedo a ser ensinado, o sistema deve ser capaz de inferir a melhor estratgia de
ensino a ser utilizada.
Nos ambientes analisados so utilizadas diversas maneiras para construir o
modelo do aluno. Listamos a seguir algumas delas:
- incluir um reconhecimento de padres aplicados ao histrico das respostas
fornecidas por ele;
- comparar a conduta do aluno com a de um especialista e verificar os pontos
em comum;
- acrescentar as preferncias do aluno;
- incluir seus objetivos particulares;
- observar as coisas que o aluno sempre costuma esquecer quando interage
com o tutor;
Segundo [GIR2000], o modelo do aluno pode ser representado sob alguns
modelos de descrio, tais como: Modelo diferencial, Modelo de Overlay ou
Superposio, Modelo de Perturbao (Buggy), Modelo de Simulao, Modelo de
Crenas e Modelo de Agentes.
Na grande maioria dos trabalhos avaliados, no foi encontrada a citao explcita
do tipo de modelo do aluno. Entretanto, todos trabalham, basicamente, no tratamento do
erro cometido pelo aluno, quando est resolvendo um exerccio ou uma tarefa proposta.
A forma como este erro tratado utiliza muito dos modelos de Buggy, ou Perturbao
utilizados nos STI clssicos.

47
 Somente, nos ambientes White Habbit e AME-A, o modelo do aluno
construdo sob uma rede neuronal construda atravs do algoritmo de aprendizagem
Map Koronen para a criao de clusters para cada perfil.
Para qualquer sistema interativo, a Interface Grfica de suma importncia. Em
relao esse aspecto, todos os ambientes analisados possuem interface grfica
interativa. No desenvolvimento de STI a preocupao com este aspecto no diferente.
Pelo contrrio, segundo [GIR2000], na interao que o sistema tutor exerce duas de
suas principais funes, que so: apresentao do material instrucional e a monitorao
do progresso do estudante atravs da recepo da resposta do aluno.
Pode-se citar algumas funes que a Interface do sistema deve propiciar:
- necessrio evitar que o estudante se entedie, ou seja, preciso riqueza de
recursos na apresentao do material instrucional;
- desejvel que haja facilidade para troca da iniciativa do dilogo: o
estudante deve poder intervir facilmente no discurso do tutor, e vice-versa;
- o tempo de resposta deve ser rpido;
- a monitorao deve ser realizada o mximo possvel em background, para
onerar o estudante com questionrios excessivos, mas respeitando tambm a
barreira do tempo de resposta;
Devido a isto, em muitos dos sistemas existem agentes executores para fazer
estas tarefas.
Em relao s ferramentas auxiliares que foram incorporadas nos sistemas para
auxiliar no processo de ensino-aprendizagem, podemos dizer que as ferramentas tais
como: browser e chat so essenciais por tratar-se de ferramentas que do suporte
comunicao em ambientes baseados na Web.

5 Consideraes Finais

OS STI representam uma interessante ferramenta para ambientes de ensino-

aprendizagem computadorizados. Entretanto, os maiores problemas associados a estes
tipos de sistema so:
- seu alto custo financeiro;
- elevado tempo de desenvolvimento;
- complexidade de modelagem;
- interao em alto grau entre os membros da equipe interdisciplinar.

48
 Outro aspecto importante, resultante de nossa pesquisa, que o desenvolvimento
de STI que utilizam a tecnologia de agentes, no possuem uma metodologia clara e
estabelecida. Isto ocorre, tambm, devido ao fato de a prpria tecnologia de agentes
no possuir uma especificao ainda clara e concisa. Os STI so uma aplicao como
outra qualquer sob o ponto de vista de Engenharia de Software e, como tal, refletem a
questo crucial da rea de SMA onde a no-padronizao da modelagem ou inexistncia
de metodologias para se especificar SMA, se pe como uma questo em aberto.
Na tentativa de reduzir estes custos, conceitos bem conhecidos da Engenharia de
Software como reutilizao e modularidade tm sido pesquisados e utilizados. A
questo de fundo desenvolver STI de forma incremental, permitindo uma evoluo
contnua e baseada numa metodologia que contemple as peculiaridades desta aplicao.
Alis, uma metodologia de especificao de sistema deve poder permitir detalhar
as peculiaridades de cada aplicao. Para tanto, foi desenvolvida uma pesquisa acerca
das diferentes metodologias para a especificao de SMA a fim de determinar qual a
que seria mais adequada para os STI Multiagentes. Este trabalho ser apresentado em
um futuro RT.
O extenso trabalho de pesquisa desenvolvido para a elaborao deste estudo
permitiu-nos identificar o estado corrente (considerando o perodo estudado) no que
concerne STI que utilizam a tecnologia de agentes para a sua modelagem e
implementao. Espera-se, com este trabalho, ter contribudo para a discusso das
questes em aberto envolvendo a modelagem de STI utilizando a tecnologia de agentes.
Alm da organizao e anlise aqui documentada, este RT apresenta o
levantamento realizado na busca de elementos freqentes encontrados em STI
Multiagentes, objetivando verificar como os mdulos da arquitetura tradicional de um
STI foram substitudos por agentes.
Observou-se que a variedade de alternativas grande. Cada grupo/autor
apresenta uma interpretao prpria de como a abordagem multiagente se relaciona com
cada mdulo da arquitetura apresentada nas pginas 7 e 8 deste RT. Este trabalho est
vinculado ao projeto MASP (http://www.inf.pucrs.br/~giraffa/masp/).

6 Referncias Bibliogrficas

[AND2001] ANDRADE, Adja F. de; JAQUES, Patrcia A.; JUNG, Joo Luiz;
BORDINI, Rafael H.; VICARI, Rosa M.. A Computacional Model

49
 of distance Learning Based on Vygotskys Socio-cultural Approach.
Workshop Multi-Agent Architectures for Distribuited Learning
Environments. Procedings International Conference on AI and
Education, San Antonio, Texas, May, 2001. P.33-40.
[BIC1998] BICA, Francine; SILVEIRA, R. A.; VICCARI, R. ELETROTUTOR III
Uma abordagem Multiagentes. IX Simpsio Brasileiro de
Informtica na Educao/SBIE Fortaleza, Novembro 1998.
[BIC1998a] BICA, Francine. Eletrotutor III - Uma Abordagem Multiagente para o
Ensino Distncia. CPGCC/UFRGS, Porto Alegre, 2001. Tese de
Doutorado.
[CAR1970] CARBONELL, J. R. AI in CAI: na artificial intelligence approach to
computer assisted instruction. IEEE Transactions on Man Machine
Systems, v.11, n.4, p.190-202, 1970.
[COS1995] COSTA, E. B. and LOPES, M. A. and FERNEDA, E.. Mathema: A
Learning Enviroment based on a Miltu-Agent Architecture. In
Lectures Notes in Artificial Inteligence. Advances in Artificial
Inteligence. Procedings of 12th Brazilian Symposium on Artificial
Inteligence. SBIA '95, Campinas, Brasil, october 1995. P.141-150.
[COS1996] COSTA, E. B..Um modelo de ambiente Interativo de Ensino-
Aprendizagem baseado numa rquitetura Muitl-Agentes. Campina
Grande: CPGEE/UFPA, 1996. Exame de Qualificao.
[DAM1997] D'Amico, C. B; Viccari, R. M.; Alvares, L.O. A Framework for Teaching
and Learning Environments. In: SIMPSIO DE INFORMTICA
NA EDUCAO, VIII, 1997, So Paulo, SP.
[DAM1998] D'Amico, C. B.; Pereira, A. S.; Geyer, C. F. R.;Viccari, R. M. Adapting
Teaching Strategies in a Learning Environment on WWW. In:
Proceedings of the WebNet World Conference of the WWW,
Internet & Intranet. Florida, USA. 1998.
[DAM1998a] D'Amico, C. B.; Pereira, A. S.; Geyer, C. F. R.; Viccari, R. M. Adaptive
Teaching and Learning Environment for Advanced WEB-Based
Educational Applications. In: Proceedings of the II Iberoamerican
Workshop on DAI and MAS. Toledo, Espanha. 1998.
[DAM1999] DAMICO, C.B. Aprendizagem esttica e dinmica em ambientes

50
 multiagentes de ensino-aprendizagem. Porto Alegre: PPGC da
UFRGS, 1999. Tese de Doutorado.
[DEM1995] DEMAZEAU, Y. From Interactions to Collective Behaviour in Agent-
Based Systems. Im: Proceedings of the 1st. Europeam Conference on
Cognitive Science. Saint-Malo, france, 1995.
[FRA1998] FRASSON, Claude; MARTIN, Louis; GOUARDERES, Guy;
AIMEUR, Esma. LANCA: A Distance Learning Architecture Based
on Networked cognitive Agents. In Lectures Notes in Computer
Science. Inteligent Tutoring Systems. Procedings of 4th International
Conference, ITS 1998, San Antonio, Texas, August 1998. P.594-
603.
[GIR1997] GIRAFFA, Lcia. M. Martins. Seleo e adoo de estratgias de
Ensino em Sistemas Tutores Inteligentes. Porto Alegre.
CPGCC/UFRGS, 1997. (Exame de Qualificao)
[GIR1998] GIRAFFA, L. M. M. Uma arquitetura de tutor utilizando estados
mentais. Porto Alegre: CPGCC da UFRGS, 1998. Tese de
Doutorado.
[GIR1998b] GIRAFFA, L. M. M.; VICCARI, R. M.. Estratgias de ensino em
Sistemas Tutores Inteligentes modelados atravs da tecnologia de
agentes. IX Simpsio Brasileiro de Informtica na Educao,
SBIE98. Fortaleza. Novembro, 1998.
[GIR1999] GIRAFFA, L. M. M.; VICCARI, R. M.. Estratgias de ensino em
Sistemas Tutores Inteligentes modelados atravs da tecnologia de
agentes. Revista Brasileira de Informtica na Educao. IE/SBC.
(6), 2, 1999.
[GIR2001] GIRAFFA, Lcia M. M., VICCARI, Rosa M.. Fundamentos dos
Sistemas Tutores Inteligentes. Porto Alegre. Captulo de livro (a ser
publicado)
[GIR2001a] GIRAFFA, L. M. M. STI modelados atravs de uma sociedade de
agentes. Capturado em Novembro de 2001. Online. Disponvel na
Internet em: http://www.edukbr.com.br/portal.asp
[GOU2000] GOULART, Rodrigo. O papel do mdulo tutor em STI. Porto Alegre.
2000. Trabalho Individual I.

51
[JAQ1999] JAQUES, Patricia Augustin. Agentes de Software na
Monitorao da Colaborao em Ambientes Telemticos de Ensino.
PPGCC/PUCRS, Porto Alegre, 1999. Dissertao de Mestrado.
[JEN1996] JENNINGS, N. R.; FARATIN, P.; JOHNSON, M. J.; O'BRIEN, P.;
WIEGAND, M. E. Using Intelligent Agents to Manage Business
Processes, Proceedings of First International Conference on The
Practical Application of Intelligent Agents and Multi-Agent
Technology (PAAM96), London, UK, 345-360. Capturado em
Setembro de 2001. Online. Disponvel na Internet em:
http://www.ecs.soton.ac.uk/~nrj/pubs.html
[KUH1997] KUHN, Thomas. A Estrutura das revolues cientficas. Capturado em
Novembro de 2001. Online. Disponvel na Internet em:
http://www.sul-sc.com.br/afolha/pag/revolucao_cientifica.htm
[MUR1999] MURRAY, Tom. Authoring Intelligent Tutoring Systems: Na analysis
of the state of the art. International Journal of Artificial Intelligence
in Education (1999), 10, 98-129
[OLI1994] OLIVEIRA, F. M.. Critrios de equilibrao para Sistemas Tutores
Inteligentes. Porto Alegre: CPGCC da UFRGS, 1994. Tese de
Doutorado.
[OLI1996] OLIVEIRA, Flvio Moreira de. Inteligncia Artificial Distribuda. In:
ESCOLA REGIONAL DE INFORMTICA, 4, 1996, Canoas.
Anais... Sociedade Brasileira de Computao, 1996. p. 54-73.
[PER2001] Pereira, A. S.; D'Amico, C. B.; Geyer C. F. R.. Gerenciamento do
Conhecimento do ambiente Ame-A. Capturado em Novembro de
2001. Online. Disponvel na Internet em:
http://www.inf.ufrgs.br/~adriana/vcied.doc
[ROS2000] ROSATELLI, M.C., Self, J.A. and Thiry, M. LeCS: a collaborative case
study system, in G. Gauthier, C. Frasson and K. VanLehn (eds.),
Intelligent Tutoring Systems, Berlin: Springer-Verlag, p232-241,
2000.
[ROS2000a] ROSATELLI, M.C., Self, J.A. and Thiry, M. LeCS: a collaborative case
study system. In Lectures Notes in Computer Science. Inteligent
Tutoring Systems. Procedings of 5th International Conference, ITS

52
 2000, Montreal, Canada, June 2000. P.242-251.
[RUS1995] RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern
Approach. Prentice Hall Series in Artificial Intelligence, New Jersey,
1995.
[SEA1969] SEARLE, J. R. Speach acts: na essay in the philosophy of language.
Cambridge: Cambridge University Press, 1969. Tese de Doutorado.
[SEL1999] SELF, John. The defining characteristics of intelligent tutoring systems
research: its cara, precisely. International Journal of Artificial
Intelligence in Education, Leeds, England. 1999.
[SHO1993] SHOHAM, Y. Agent-oriented Programming. Artificial Intelligence, 60,
51-92, 1993.
[SIL1992] SILVEIRA, R.A. Inteligncia Artificial em Educao: um modelo de
sistema tutorial inteligente para microcomputadores. Porto Alegre
PUCRS, 1992. Dissertao de Mestrado em Educao.
[SIL1998] SILVEIRA, R. A. Ambientes Inteligentes de Ensino-Aprendizagem.
Porto Alegre: PPGC da UFRGS, 1998. Exame de Qualificao.
[SIL1999] SILVEIRA, R. Modelagem orientada a agentes aplicada a ambientes
distribudos de ensino. Porto Alegre: PPGC da UFRGS, 1999.
[THI1999] THIRY, Marcelo Comicholi da Costa. Uma Arquitetura Baseada em
Agentes para Suporte ao Ensino Distncia. CPGCC/UFRGS, Porto
Alegre, 2001. DEPS/PPGEP, 1999. Tese de Doutorado. Capturado
em Novembro de 2001. Online. Disponvel na Internet em:
http://www.ecs.soton.ac.uk/~nrj/pubs.html
[THI2000] THIBODEAU, Marc-Andr; BLANGER, Simon; FRASSON, Claude.
WHITE RABBIT Matchmaking of User Profiles Based on
discussion analysis Using Intelligent Agents. In Lectures Notes in
Computer Science. Inteligent Tutoring Systems. Procedings of 5th
International Conference, ITS 2000, Montreal, Canada, June 2000.
P.113-122.
[VAS1997] VASSILEVA J. Adaptive Systems and User Modeling on the World
Wide Web. The 6-th International Conference on User Modeling,
UM'97. Chia-Laguna, Sardinia, June. 1997.
[VAS2001] VASSILEVA, Julita; DETERS, Ralph; GEER, Jim; Mccalla, Gord;

53
 BULL, Susan; KETTEL, Lori. Lessons from Deploying I-Help.
Workshop Multi-Agent Architectures for Distribuited Learning
Environments. Procedings International Conference on AI and
Education, San Antonio, Texas, May, 2001. P.3-11.
[WEB2001] WEBBER, Carine; BERGIA, Loris; PESTY, Sylvie; BALACHEFF,
Nicolas. The Baghera project: a multi-agent architecture for human
learning. Workshop Multi-Agent Architectures for Distribuited
Learning Environments. Procedings International Conference on AI
and Education, San Antonio, Texas, May, 2001. P.12-17.
[WOO1995] WOOLDRIDGE, M.; JENNINGS N. R.. Intelligent Agents: Theory and
Practice. In Knowledge Engineering Review 10(2), 1995. (The
PostScript version.). Capturado em Setembro de 2001. Online.
Disponvel na Internet em: http://www.csc.liv.ac.uk/~mjw/pubs/.
[ZAM2000] ZAMBONELLI, F.; Jennings, N. R.; Omicini, A.; Wooldridge, M..
Agent-Oriented Software Engineering for Internet Applications. In
A. Omicini, F. Zambonelli, M. Klusch and R. Tolksdorf, editors,
Coordination of Internet Agents, Springer Verlag. Capturado em
Setembro de 2001. Online. Disponvel na Internet em:
http://sirio.dsi.unimo.it/Zambonelli/pubblica.html
[ZOU2000] ZOUAQ, Amal; FRASSON, Claude; ROUANE, Khalid. The
Explanation Agent. In Lectures Notes in Computer Science.
Inteligent Tutoring Systems. Procedings of 5th International
Conference, ITS 2000, Montreal, Canada, June 2000. P.554-563.

54